进化计算与大语言模型：方法、协同与应用综述
神经与进化计算
2025-05-22 v1 计算与语言
多智能体系统
摘要
整合大语言模型 (LLM) 和进化计算 (EC) 代表了一条通过结合强大的自然语言理解与优化和搜索能力来推进人工智能的有前景途径。本手稿探索了 LLM 与 EC 的协同潜力，综述了它们的交叉点、互补优势和新兴应用。我们识别出 EC 可以在哪些关键领域增强 LLM 训练、微调、提示工程和架构搜索，同时 LLM 也可以反过来帮助自动化 EC 的设计、分析和解释。本手稿探讨了 EC 与 LLM 的协同整合，突出它们对推进人工智能的双向贡献。首先，它考察了 EC 技术如何通过优化提示工程、超参数调优和架构搜索等关键组件来增强 LLM，展示了进化方法如何自动化和精化这些过程。其次，该综述研究了 LLM 如何通过自动化元启发式设计、调优进化算法和生成自适应启发式来改善 EC，从而提高效率和可扩展性。讨论了新兴的协同进化框架，展示了跨多样领域的应用，同时承认了计算成本、可解释性和算法收敛等挑战。该综述以识别开放研究问题和倡导结合 EC 与 LLM 优势的混合方法作为结论。
引用
@article{arxiv.2505.15741,
title = {Evolutionary Computation and Large Language Models: A Survey of Methods, Synergies, and Applications},
author = {Dikshit Chauhan and Bapi Dutta and Indu Bala and Niki van Stein and Thomas Bäck and Anupam Yadav},
journal= {arXiv preprint arXiv:2505.15741},
year = {2025}
}